Termes
Génération augmentée par récupération (RAG)
La génération augmentée par récupération est une approche qui extrait des informations pertinentes de sources situées en dehors des données d’entraînement du modèle afin de fournir un contexte utile à la génération. Les ressources associées montrent son utilisation dans la recherche sémantique, les bases de connaissances, les applications d’agents, ainsi que la recherche dans les documents et les bases de code.
La génération augmentée par récupération (RAG) est une approche qui extrait des informations pertinentes de sources situées en dehors des données d’entraînement du modèle, puis les fournit comme contexte utile au processus de génération.
Comment est-elle utilisée ?
- Recherche sémantique et récupération d’informations à partir de documents.
- Prise en charge de bases de connaissances fondées sur la récupération et la génération.
- Fourniture de contexte aux agents d’intelligence artificielle avant la génération ou l’inférence.
- Recherche dans les bases de code, les fichiers et les contenus multimédias.
Importance de la qualité de la récupération
La qualité d’une application RAG ne dépend pas uniquement du texte final. L’erreur peut provenir du choix d’une mauvaise base de données, de la récupération de documents non pertinents ou de l’application d’un filtre de portée inapproprié. Les ressources recommandent donc de suivre les opérations de recherche, les données récupérées, le reclassement et les outils appelés, puis d’évaluer l’ensemble du parcours, de la récupération à la génération.
Filtrage et portée
Des filtres de métadonnées peuvent être appliqués avant la recherche par similarité afin de limiter les résultats à un locataire, une catégorie, un état ou une portée donnée. AWS indique que cette approche vise des applications telles que le RAG et la recherche documentaire, en particulier lorsque l’ensemble recherché représente une petite partie de l’index.
Le RAG dans un flux de travail plus large
Le RAG peut s’intégrer à d’autres outils au sein du même système. Selon le contenu publié sur GitHub, un agent peut utiliser MCP pour accéder aux outils et aux données, suivre des Skills afin d’appliquer des instructions propres au projet, et recourir au RAG pour récupérer le contexte utile. Les ressources ne démontrent pas que l’un de ces composants rende les autres inutiles.
Évaluation et exploitation
- Évaluation de l’ensemble du parcours : tester la récupération, la génération et la vérification des résultats, et pas uniquement l’appel au modèle.
- Traçabilité des composants : associer la version à l’index, au modèle d’embeddings, aux paramètres de récupération, aux prompts et aux paramètres d’exploitation.
- Diversification des tests : inclure les questions ordinaires, les échecs antérieurs, les cas ambigus et les situations dépourvues de preuves.
- Combinaison des métriques : utiliser des contrôles déterministes lorsque des règles claires existent, ainsi qu’une revue humaine ou une évaluation sémantique lorsque le jugement est difficile à réduire à une règle.
Limites de ce qui peut être déduit
Des résultats limités ou les jugements d’un modèle de langage ne suffisent pas à démontrer la qualité d’une application RAG dans tous les cas. De même, l’adéquation d’un modèle de récupération ou d’un index dépend du type de données, de la précision de récupération requise, des contraintes matérielles et des résultats de tests indépendants. Les ressources fournies ne proposent ni classement général des solutions RAG ni comparaison exhaustive entre elles.